1.一种基于加权张量稀疏图映射的非约束人脸识别方法,其特征在于包括如下步骤:步骤S1,首先,在稀疏图构建阶段,将训练样本用二阶张量表示,引入类别标签,构建监督超完备张量字典,优化求解样本的同类稀疏重构系数;并且在此基础上,增加类内紧凑约束,用以增强同类非近邻样本间的重构关系,并以距离权值进一步表征同类样本间的类内差异,自适应构建张量稀疏近邻图;
具体包括如下步骤:
给定二阶张量数据集 其中, 表示第
k类样本子集的第i个样本;数据集共有C个类别,由N个人脸图像组成,nk表示第k类子集的样本数,得到 引入类别标签和类内紧凑度约束,优化求解待测张量样本 的类内稀疏重构系数 目标函数如下:上式中,第一部分 为类内样本重构误差项;定义类内超完备张量字典表示除样本 外的剩余同类样本子集,最小化旨在用同类样本尽可能近似逼近待测样本
第二部分 为类内重构系数紧致项;定义Φk为类内紧凑度约束因子,记为与同类的所有样本的类内稀疏重构系数的平均值,最小化 可以使同类样本的稀疏重构系数接近中心值,增强待测样本与同类非近邻样本的重构关系;
第三部分 是具有距离权值约束的稀疏重构系数正则项;定义距离权值向量由待测样本 与同类其它样本 间的距离权值组成;当待测样本与同类其它样本差异度越大时,距离权值 越大,则稀疏约束正则项 得到的重构系数 越小,以此构建的稀疏近邻图能够更准确表征 与同类其它样本间的类内差异;
这里,定义三种距离权值公式:
式(2)为线性函数,式(3)为指数函数,式(4)为logistic函数,选择式(4)计算块样本的距离权值;
然后,依据目标函数(1)分别计算C个样本子集 中同类样本k
的类内稀疏重构系数 构建样本子集X 的类内重构关系矩阵
1 2 C N×N
由此得到样本集X=[X ,X ,...,X]的近邻权值矩阵W∈R ,以及WTSGE的稀疏近邻图G={X,W};
1 2 C
W=diag(Θ ,Θ ,...,Θ) (5)N×N k
其中,近邻关系矩阵W∈R 由C个类内重构关系矩阵Θ组成;
步骤S2,其次,在双边低维投影阶段,增加了全局约束因子,利用样本全局分布中隐含的鉴别信息获取低维张量子空间分布;
步骤S3,最后,采用最优WTSGE双边投影矩阵U和V对待测样本y进行低维映射yWTSGE=T TUyV,用低维训练样本DWTSGE=U XV训练分类器,在低维张量子空间中实现非约束人脸的准确身份鉴别;
具体包括如下步骤:自适应构建B个块样本张量空间 的基于加权张量稀疏图映射近邻图 后,分别对其进行双边低维投影,目标函数定义如下:这里 ,通过 对 原始 高 维张 量 数据 进 行 双边 投 影得到低维张量数据 约束其仍保持高维张量数据的局部稀疏近邻关系wij∈W,并在低维张量子空间中重构误差 最小;
同时,为了进一步利用样本全局分布中隐含的鉴别信息,式(6)中又引入全局类内、类间约束因子,使低维张量子空间分布更利于非约束人脸识别;这里,定义 为全局类内约束因子,表示低维张量子空间中第k类样本的平均矩阵,约束 最小,低维子空间L中各类样本子集类内紧凑;同理,定义B为全局类间约束因子,表示低维张量子空间中所有样本的均值矩阵,约束 最大,低维张量子空间中各类样本子集类间离散;
由于式(6)中 又等价于 因此,可将式(6)转换为如下形式:
对式(7)进行化简,推导过程如下:
式(8)中,
其中, 表示原始高维样本Xi的重构值; 为原始高维张量数据空间中,第kH类样本的平均值;B则为原始高维张量数据空间中,所有样本的平均值;得到加权张量稀疏图映射的目标函数如下:同理,因为矩阵的Frobenius范数 所以式(7)又可以变换为式(14)的形式;
在式(14)中,
由此得到加权张量稀疏图映射的目标函数如下:T T
为了避免退化解,增加约束条件tr(U NVU)=1和tr(VNUV)=1,式(13)和式(19)的最小化问题则被转换为最大化问题:根据拉格朗日乘子法,式(20)和式(21)转换为求解广义特征值问题:由式(22)和式(23)可知,投影矩阵U和V的优化求解是彼此相互依赖的,先初始化矩阵V,带入方程(22),优化求解得到矩阵U;再将得到的矩阵U带入方程(23),优化求解得到矩阵V;通过不断迭代更新,得到最优双边投影矩阵Uopt和Vopt。